基于多尺度形态学滤波的CT图像疑似肺结节提取

CT图像中疑似结节病灶区域的分割和提取是肺部CAD系统的关键和难点.研究一种基于肺结节几何特征的多尺度形态学滤波的疑似结节区域提取算法,构造了一组不同尺度的类圆形结构元素进行形态学滤波.经过多尺度处理,不同大小的疑似肺结节区域得到增强和突出,气管、血管等线形解剖组织得到了削弱和抑制,结构元素的几何参数及二值化阈值参数的选取不需要人工设置.实验结果表明,该算法可以较好地实现不同大小疑似结节区域的自动提取.     

一种改进的边界法向量叠加疑似肺结节提取

对边界法向量叠加法进行改进,提出一种基于局部形状约束和自适应设定法向量大小的边界法向量叠加疑似肺结节提取方法.首先用自适应阈值方法对肺实质图像进行分割,得到初始ROI区域;然后判断初始ROI区域边界点的局部凸凹性特征,对满足凸性特征的边界点计算法向量方向,并且自适应设定法向量的大小,将初始ROI区域的边界点法向量叠加;最后对局部最大叠加值进行选择,可以检测出不同大小的圆形疑似肺结节.边界法向量叠加前使用局部凸凹性特征约束,能减少法向量叠加计算量;自适应设定法向量大小能克服检测固定大小肺结节的局限性.实验结果表明,改进算法可以较好地检测疑似肺结节区域,对不同大小的肺结节都有很好的适用性.     

CT图像中肺结节毛刺特征的计算机量化方法

根据CT图像中肺结节毛刺的生长特点,提出了一种CT图像的肺结节毛刺特征计算机量化分级方法.该方法首先利用动态规划算法对感兴趣的CT图像区域进行肺结节分割,然后在分割的结节边界基础上,通过分析边界附近区域梯度方向的规律性,提取边界法线-梯度正交指数作为结节毛刺特征的量化指标,在此基础上对肺结节毛刺特征进行量化分级.实验结果表明:该指数能够准确地量化肺结节的毛刺特征,对区分无毛刺、短毛刺及长毛刺结节具有较高的分辨率.     

一种基于CI特征的3-域均值平移聚类肺结节分割算法(英)

提出了一种有效的分割CT图像中肺结节的新算法。该算法采用均值平移（mean shift）算法和基于CI特征,共由三个步骤组成：（1）计算感兴趣区内的所有像素的CI特征;（2）把CI特征与像素的灰度值和空间位置信息结合在一起,形成3-域特征向量集;（3）利用均值平移聚类算法对特征向量集进行聚类。由于本文的算法能有效分析多高斯模型描述的包括实质性结节和亚实质性结节在内的所有结节,因此,可应用于CT图像中任何含有结节的用户感兴趣区域。实验结果证明,本文方法能更精确地分割出不同类型的结节。     

基于分层模版种子点的分水岭分割孤立性肺结节的方法

针对肺部结节的分割问题,该文提出了一种基于分层模版种子点的分水岭分割方法。该方法在PET图像中采用基于SUV均值的分层次模版匹配算法检测出可疑区域,标记出分割种子点,同时在对应CT图像中使用改进的分水岭算法将可疑肺结节分割出来。将该方法与特征提取结合应用于肺结节的辅助诊断中。大量的实验结果表明:与当前单独采用CT或PET图像特征分割结果相比,该方法在确保真阳性以及分类准确性的基础上,极大降低了假阳性,从而表明了该方法在肺结节临床分割方面的有效性。     

基于连续最大流的三维肺实质快速分割算法

肺结节是肺癌的表征形式,形状结构多样且易与正常组织产生粘连,使分割存在困难.提出了一种基于空间约束的三维肺实质分割算法,实现对肺实质组织的分割及目标区域的获取.首先使用SLIC方法将二维CT序列图像构建成超像素图像矩阵,并对矩阵进行稀疏化处理,降低矩阵维度.然后连接相邻切片间的超像素构造肺实质组织的三维结构.最后采用连续最大流方法对构造的三维肺部结构进行分割.实验结果表明,所提算法能够快速准确地分割三维肺实质组织,对不同类型肺结节的分割均取得较好结果,具有一定的临床应用价值.     

基于CT图像的自动肺实质分割方法

在肺癌、肺气肿等肺部疾病计算机辅助诊断方法中,肺实质分割是最核心的步骤.提出一种基于三维CT图像序列的新的自动肺实质分割方法,综合利用了阈值分割、区域增长及数学形态学等算法,并在特定体层通过图搜索算法精确定位左右肺前后连接线狭窄区域,有效解决了肺实质边缘结节易分割遗漏及左右肺分离的难题.通过多组胸部CT序列图像的实验证明,该方法对于肺实质分割非常精确有效.     

基于CV模型与改进ME模型的肺癌检测算法

针对CT影像中恶性肺结节病灶难以自动检测的问题,提出了一种基于CV模型与改进ME模型分割区域之间的面积差异的肺部CT影像癌症检测算法.该方法利用在肺部CT影像中结节边界的模糊程度是判断恶性肺结节的最重要指标这一特性,首先通过CV模型和改进ME模型两种交互式目标分割算法分别对肺部CT影像分割,因这两种分割方法收缩效果不同,故得到两种不同的结节区域,再计算这两种区域之间的面积差异得到该区域的模糊程度,最后计算得到模糊程度比较阈值,以此判断是否存在癌症.实验结果表明,该算法对于肺部CT影像中的癌症检测具有较高的准确率.     

基于深度学习的CT影像肺结节检测

为辅助医生检测大量肺部CT( Computed Tomography) 图像中难以发现的肺结节的问题,提出使用深度U-Net网络对肺部结节进行分割。由于U-Net 网络出自于全卷积网络( FCN: Full Convolution Network) ,特点是端到端,像素到像素,网络对每个像素点进行分类,能将深层特征抽象的特征信息和浅层特征具象的位置信息相结合得到CT 图像的分割掩膜。实验结果表明,该方法对肺结节的检测效果良好。     

基于PET/CT的孤立性肺结节的自动分割方法

为辅助医生临床诊断,提出了一种基于PET/CT(positron emission tomography/computed tomography)的孤立性肺结节的分割方法。该方法首先需要运用图像的配准算法完成相应的过程,然后分别在PET和CT中完成分割提取。在PET中获得了结节的代谢显像区域后,利用高代谢区域的中心作为种子点。使用配准算法将这些种子点映射到CT中对应的位置后,利用区域增长完成对结节结构像的提取。将该方法用于PET/CT病例数据图像分析中。实验结果表明,使用该方法可以完整地获得肺部结节的功能和结构像,从而也显示了该方法的准确性和无监督性。     

用于肺结节检测和分类的两阶段深度学习方法

针对肺部CT数据具有空间信息的特点, 提出一种基于深度学习的两阶段方法, 即使用两个3D卷积网络有效学习结节特征, 对CT图像中的肺结节进行检测和分类. 该方法的检测器部分采用基于U Net的编码器 解码器结构的3D语义分割模型, 以预测结节的位置、 大小和语义掩码; 分类器部分采用3D双路径网络, 用于特征的汇总和收缩, 并给出分类结果. 为充分利用原始数据中的特征信息, 将检测器的结果应用于对原始数据进行采样和掩码操作, 并通过空间金字塔池化层获得一致的输入尺度. 在公开数据集上的实验结果表明, 该深度学习方法对CT图像肺结节的检测和分类具有良好的性能.     

一种基于ARG的肺结节良恶性度判定方法

基于CT影像的肺结节的良恶性识别是肺癌诊断的重要环节，针对这一问题，提出一种基于属性关系图(attributed relational graph， ARG)的肺结节良恶性度判定方法.该方法以肺结节CT图像块作为输入，利用ARG构建其特征结构，并从大量ARGs中挖掘与或图(and-or graph， AoG)作为肺结节类别识别模板，即肺结节良恶性度判定的依据.此外，为提高模板挖掘效率，该方法利用马尔可夫毯(Markov blanket， MB)发现算法去除图像中的冗余特征，降低ARG节点数量.实验结果表明，该方法对恶性肺结节的识别率达到90.12%，能够帮助正确、快速辨识与分析肺结节良恶性，具有一定的实用价值.     

融合像素空间信息及加权模糊聚类的肺结节识别

针对肺部计算机辅助诊断中孤立肺结节识别容易受噪声、气管、血管的干扰问题,提出一种融合空间信息及加权模糊聚类的肺结节识别算法.该方法利用融合像素空间信息及带特征权重的模糊C均值聚类算法实现感兴趣区域分割;利用特征选择算法计算感兴趣区域各特征权重,加权模糊C均值聚类算法分类感兴趣区域,识别肺结节.对比实验证明,该算法对感兴趣区域分割抗噪声性增强;感兴趣区域分类准确率提高;整体算法对肿瘤的检出率较高,漏诊率降低,为医生诊断早期肺癌病灶提供更加准确的客观依据.     

基于多视角深度信念网络的肺结节识别方法

针对传统肺癌计算机辅助诊断系统中肺结节检出过程烦琐,且存在假阳性高的问题,提出一种基于多视角深度信念网络的肺结节识别方法。该方法首先将肺结节进行三维重建并将重建后不同大小的肺结节归一到不同尺度的立方体中,然后将不同视角的2.5D切片作为深度信念网络的输入数据,最后通过不同的融合策略完成对肺结节的识别。在肺部图像数据库联盟(LIDC)数据集上大量实验表明:相比于传统肺癌识别系统本文方法敏感性为(92.8±0.25)%,平均每组病例假阳性个数为2.4±0.3,该方法能有效降低肺结节自动检测过程中的假阳性率。     

基于生成对抗网络的肺结节良恶性诊断算法

针对实性肺结节CT影像数据量少、人工标注耗时耗力等问题,提出一种结合生成对抗网络和集成学习的实性肺结节良恶性计算机辅助诊断方法.首先,使用基于梯度惩罚的生成对抗网络对肺结节CT影像数据集进行扩充,缓解由数据量少、样本类别不均衡导致的模型过拟合.然后,利用卷积神经网络进行CT影像特征提取,并通过主成分分析对深度特征进行降维.最后,联合CT图像特征和有效临床信息,采用集成学习方法构建分类模型预测实性肺结节良恶性.基于多中心临床数据分析表明,相比于传统卷积神经网络模型,所提出方法有更好的预测性能.     

基于区域建议网络的肺结节检测及其去假阳性

如今,基于深度学习的肺结节检测技术不断发展,在辅助医生进行肺结节检查的任务中极大提升了肺结节的检出率和诊断的准确率。本文采用了深度学习技术,提出了一种基于RPN网络结构的肺结节检测方法。针对肺结节的去假阳性阶段,本文将多个分类网络进行了性能对比。本文在Faster R-CNN网络上进行改进,使用Squeeze-and-Excitation（SE）结构以及ResNeXt的残差块构成特征提取模块,再结合UNet++网络结构,输出多个尺度的结果。最后将多尺度结果应用在3D RPN候选检测网络和R-CNN网络上,得到了灵敏度较高,假阳率更低的候选结节检测网络。在去假阳性结节网络阶段,本文用3D DCNN网络对候选肺结节进行假阳性的筛除,有效去除了部分假阳性肺结节,提升了多个FP/scan检查点的灵敏度。本文的网络最终得出灵敏度98.8%@8FPs,Competition Performance Metric（CPM）达到0.879。在去假阳性结节方面,本文验证了3D DCNN网络在几个网络中能够取得最好的效果,达到了15.6%的去假阳率。总的来说,本文的候选结节网络进一步提升了检测的灵敏度,网络模型达到了较好的检测效果。在去假阳性网络方面,得出3D DCNN作为去假阳性网络具有比其它一些网络模型更好的效果。     

Adaptive Order Polynomial Fitting for Pulmonary Nodule Segmentation in Chest Radiograph

Segmentation of pulmonary nodules in chest radiographs is a particularly challenging task due to heavy noise and superposition of fibs, vessels, and other complicated anatomical structures in lung field. In this paper, an adaptive order polynomial fitting based ray- casting algorithm is proposed for pulmonary nodule segmentation in chest radiographs. Instead of detecting nodule edge points directly, the nodule intensity proffies are first fitted by using the polynomials with adaptively determined orders. Then, the edge positions are identified through analyzing the local minimum of the fitted curves. The performance of the proposed algorithm was evaluated over an image database with 148 nodule cases in chest radiographs that were collected from a variety of digital radiograph modalities. The preliminary results show the proposed algorithm can obtain a high rate of successful segmentations.